This paper consists of two parts. The first part is devoted to empirical analysis of consolidated order book (COB) for the index RTS futures. In the second part we consider Poissonian multi--agent model of the COB. By varying parameters of different groups of agents submitting orders to the book we are able to model various real life phenomenons. In particular we model the spread, the profile of the book and large price changes. Two different mechanisms of large price changes are considered in detail. One is the disbalance of liquidity in the COB and another is the disbalance of sell and buy orders in the order flow.
在这项工作中，我们引入了两个变量的多变量霍克斯模型与明确的依赖于各种队列大小，旨在模拟随机时间演化的限价订单簿。因此，我们提出的模型集成了当前的图书状态和过去的订单流的影响。第一种变体认为在特定价格水平下的订单到达流独立于其他价格水平，并通过将Hawkes分量添加到Huang等人的连续时间马尔可夫“队列反应”模型提供的到达率来描述此流。Empirical calibration using Level-I订单簿data from Eurex future assets（Bund和DAX）表明，Hawkes项不仅在描述订单流性质方面，（例如，事件间时间的统计），而且关于队列分布的形状。我们引入的第二个变量描述了在一个交易日内，在某些订单簿的最佳买入和卖出方发生的所有事件的联合动态。该模型可以被认为是一个队列相关的扩展的多变量霍克斯订单簿模型的巴克里等人。我们提供了一个明确的方法来校准这个模型，无论是最大似然法或最小二乘法。根据Bund和DAX一级订单簿数据的经验估计，我们可以恢复Bacry等人发现的Hawkes交互作用的主要特征，但也可以揭示它们对出价和要价队列大小的联合依赖性。我们特别发现，虽然市价订单或中间价的变化率可以主要是对数量不平衡的函数，但这不是限制或取消订单的到达率的情况。我们的研究结果还使我们能够清楚地揭示区分小型和大型tick资产的各种特征。
R. Cont和A. de Larrard（SIAM J. Finan. Math，2013）引入了一个用于限价订单簿动态的易处理的随机模型，计算各种感兴趣的量，例如价格上涨的概率或价格过程的扩散极限。正如经验观察所建议的那样，我们将他们的框架扩展到1）书籍事件到达间隔时间的任意分布（可能是非指数分布）和2）新书事件及其相应到达间隔时间的性质都取决于前一本书事件的性质。我们这样做，通过诉诸马尔可夫更新过程建模的动态出价和要求队列。我们通过各种感兴趣量的拉普拉斯变换的显式表达式来保持分析的易处理性。我们通过将我们的模型校准到2012年6月21日的五只股票亚马逊，苹果，谷歌，英特尔和微软来证明和说明我们的方法。在R。Cont和A. de Larrard的方法中，买卖价差保持恒定等于一个刻度，仅对买卖队列进行建模（它们彼此独立，并在价格变化后重新初始化），并且所有订单具有相同的大小。
